【大O表示法】算法的渐进时间复杂度:
一般情况下,随着n的增大,T(n)增长最慢的算法为最优算法。
二、时间复杂度的计算规则
1.常数阶 程序中的基本操作按一个操作步骤计算,如执行一个打印语句、算术运算、逻辑运算、赋值运算、字符串拼接、返回值等,每一个操作步骤的时间复杂度为1。 例:void fun(){ System.out.println("Hello,World");//执行了1次,所以时间复杂度为:O(1) }
注意:不管这个常数是多少,我们都记作O(1),而不能是O(3)、O(12)等其他任何数字。
例:
void fun(){ int i=1;//执行了1次 i=i+1;//执行了1次 System.out.println("Hello");//执行了1次 //1+1+1=3,总共执行了3次,但是时间复杂度为:O(1) }
事实上无论n为多少,上面的两段代码就是1次和3次执行的差异。
这种与问题的大小无关(n的多少),执行时间恒定的算法,我们称之为具有O(1)的时间复杂度,又叫常数阶。对于分支结构而言,无论是真,还是假,执行的次数都是恒定的,不会随着n的变大而发生变化
,所以单纯的分支结构(不包含在循环结构中),其时间复杂度也是O(1)。
2.线性阶线性阶的循环结构会复杂很多。要确定某个算法的阶次,我们常常需要确定某个特定语句或某个语句集运行的次数。因此,我们要分析算法的复杂度,关键就是要分析循环结构的运行情况。例:
void fun(int n){ for(int i=0;i<=n;i++){ System.out.println("hello");//执行了n次,所以时间复杂度为:O(n) } }
3.对数阶例:
void fun(int n){ int i=1; while(i i=i*2;//循环多少次,i才会大于n? } }
我们一起来推导一下:2^k=n(k是循环的次数)
用对数表示为k = log2n,时间复杂度记为O(log2n),
常数可以忽略
,所以最后是O(logn)称之为对数阶
4.平方阶例:
void fun(int n){ for(int i=0;i for(int j=0;j System.out.println("Hello,World"); } } }
上面这个例子,对于内循环的时间复杂度为O(n),对于外层的循环,不过是内部这个时间复杂度为O(n)的语句,再循环n次。所以这段代码的时间复杂度为O(n^2)。下面我们再来看一个例子:
void fun(int n,int m){ for (int i=0;i for (int j=0;j System.out.println("Hello,World"); } } }
按照上面的分析,如果外循环的循环次数改为了m,时间复杂度就变为O(m×n)。所以我们得出一个结论
:循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数。
对于条件判断语句,总的时间复杂度等于其中 时间复杂度最大的路径 的时间复杂度。
void fun(int n) { if (n >= 0) { // 第一条路径时间复杂度为 O(n^2) for (int i = 0; i < n; i++) { for (int j = 0; j < n; j++) { System.out.println("Hello,World"); } } } else { // 第二条路径时间复杂度为 O(n) for (int j = 0; j < n; j++) { System.out.println("Hello,World"); } } }
此时时间复杂度为 max(O(n^2), O(n)),即 O(n^2)。时间复杂度分析的基本策略是:从内向外分析,从最深层开始分析。如果遇到函数调用,要深入函数进行分析。
这个就是今天的笔记啦
以后每天学习算法的时候,文章的末尾都会分析一下算法的时间复杂度